Keras：深層学習のためのシンプルで強力なPythonライブラリ

2024.06.23

Kerasは、Pythonで深層学習モデルを構築およびトレーニングするための高水準のAPIを提供するライブラリです。シンプルなインターフェースと豊富な機能を持ち、TensorFlowやTheanoなどのバックエンドを使用して効率的に深層学習を実行できます。以下に、Kerasの特徴と実用例を説明します。

Kerasの特徴

シンプルなAPI

Kerasは直感的で使いやすいAPIを提供しており、迅速なプロトタイピングを可能にします。わずかなコードで複雑なモデルを構築できます。

バックエンドの柔軟性

TensorFlow、Theano、CNTKなど、さまざまなバックエンドをサポートしており、開発環境に応じて選択できます。

モジュール化

レイヤー、損失関数、最適化アルゴリズム、アクティベーション関数など、さまざまなコンポーネントを簡単に組み合わせてモデルを構築できます。

幅広いサポート

多層パーセプトロン（MLP）、畳み込みニューラルネットワーク（CNN）、リカレントニューラルネットワーク（RNN）など、さまざまなニューラルネットワークアーキテクチャをサポートしています。

例題1: シンプルなニューラルネットワークの構築とトレーニング

まず、Kerasを使用してシンプルな多層パーセプトロン（MLP）を構築し、MNISTデータセットを用いてトレーニングする例を示します。

インストール

pip install keras
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Flatten, Input
from keras.utils import to_categorical

# MNISTデータセットの読み込み
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# データの前処理
x_train = x_train.reshape((60000, 28 * 28)).astype('float32') / 255
x_test = x_test.reshape((10000, 28 * 28)).astype('float32') / 255
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# モデルの構築
model = Sequential()
model.add(Input(shape=(28 * 28,)))
model.add(Dense(512, activation='relu'))
model.add(Dense(10, activation='softmax'))

# モデルのコンパイル
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

# モデルのトレーニング
model.fit(x_train, y_train, epochs=5, batch_size=128, validation_data=(x_test, y_test))

# モデルの評価
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc:.4f}")

結果

Epoch 1/5
469/469 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - accuracy: 0.8748 - loss: 0.4357 - val_accuracy: 0.9597 - val_loss: 0.1351
Epoch 2/5
469/469 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9647 - loss: 0.1191 - val_accuracy: 0.9714 - val_loss: 0.0923
Epoch 3/5
469/469 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9776 - loss: 0.0728 - val_accuracy: 0.9781 - val_loss: 0.0688
Epoch 4/5
469/469 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9850 - loss: 0.0496 - val_accuracy: 0.9792 - val_loss: 0.0660
Epoch 5/5
469/469 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9887 - loss: 0.0375 - val_accuracy: 0.9794 - val_loss: 0.0662
313/313 ━━━━━━━━━━━━━━━━━━━━ 0s 434us/step - accuracy: 0.9756 - loss: 0.0785
Test accuracy: 0.9794

このコードでは、Kerasを使用して多層パーセプトロンを構築し、MNISTデータセットを用いてモデルをトレーニングしています。モデルのトレーニング後、テストデータセットを使用してモデルの精度を評価しています。

例題2: 畳み込みニューラルネットワーク（CNN）の構築とトレーニング

次に、Kerasを使用してCNNを構築し、CIFAR-10データセットを用いてトレーニングする例を示します。

import ssl
ssl._create_default_https_context = ssl._create_unverified_context

from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from keras.utils import to_categorical

# CIFAR-10データセットの読み込み
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# データの前処理
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# モデルの構築
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

# モデルのコンパイル
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# モデルのトレーニング
model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test))

# モデルの評価
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc:.4f}")

結果

UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead.
  super().__init__(activity_regularizer=activity_regularizer, **kwargs)
Epoch 1/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 11s 13ms/step - accuracy: 0.3261 - loss: 1.8097 - val_accuracy: 0.5228 - val_loss: 1.3084
Epoch 2/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 10s 12ms/step - accuracy: 0.5468 - loss: 1.2684 - val_accuracy: 0.5877 - val_loss: 1.1530
Epoch 3/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 10s 13ms/step - accuracy: 0.6105 - loss: 1.1065 - val_accuracy: 0.6333 - val_loss: 1.0440
Epoch 4/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 11s 14ms/step - accuracy: 0.6499 - loss: 0.9909 - val_accuracy: 0.6501 - val_loss: 1.0009
Epoch 5/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 11s 14ms/step - accuracy: 0.6781 - loss: 0.9163 - val_accuracy: 0.6743 - val_loss: 0.9396
Epoch 6/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 11s 14ms/step - accuracy: 0.7022 - loss: 0.8484 - val_accuracy: 0.6824 - val_loss: 0.9192
Epoch 7/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 12s 15ms/step - accuracy: 0.7211 - loss: 0.7956 - val_accuracy: 0.6916 - val_loss: 0.8979
Epoch 8/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 10s 13ms/step - accuracy: 0.7366 - loss: 0.7514 - val_accuracy: 0.7026 - val_loss: 0.8689
Epoch 9/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 10s 13ms/step - accuracy: 0.7451 - loss: 0.7208 - val_accuracy: 0.7047 - val_loss: 0.8483
Epoch 10/10
782/782 ━━━━━━━━━━━━━━━━━━━━ 10s 13ms/step - accuracy: 0.7642 - loss: 0.6761 - val_accuracy: 0.7067 - val_loss: 0.8557
313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - accuracy: 0.7085 - loss: 0.8458 
Test accuracy: 0.7067

このコードでは、Kerasを使用してCNNを構築し、CIFAR-10データセットを用いてモデルをトレーニングしています。モデルのトレーニング後、テストデータセットを使用してモデルの精度を評価しています。

例題3: リカレントニューラルネットワーク（RNN）の構築とトレーニング

次に、Kerasを使用してRNNを構築し、IMDB映画レビューの感情分析を行う例を示します。

import ssl
ssl._create_default_https_context = ssl._create_unverified_context

from keras.datasets import imdb
from keras.preprocessing import sequence
from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN, Dense

# データセットの読み込み
max_features = 10000
maxlen = 500
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)

# データの前処理
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
x_test = sequence.pad_sequences(x_test, maxlen=maxlen)

# モデルの構築
model = Sequential()
model.add(Embedding(max_features, 32))
model.add(SimpleRNN(32))
model.add(Dense(1, activation='sigmoid'))

# モデルのコンパイル
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

# モデルのトレーニング
model.fit(x_train, y_train, epochs=10, batch_size=128, validation_data=(x_test, y_test))

# モデルの評価
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc:.4f}")

結果

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/imdb.npz
17464789/17464789 ━━━━━━━━━━━━━━━━━━━━ 1s 0us/step 
Epoch 1/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 13s 62ms/step - accuracy: 0.6036 - loss: 0.6481 - val_accuracy: 0.8286 - val_loss: 0.4246
Epoch 2/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 12s 62ms/step - accuracy: 0.8348 - loss: 0.3912 - val_accuracy: 0.8558 - val_loss: 0.3544
Epoch 3/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 12s 62ms/step - accuracy: 0.8639 - loss: 0.3242 - val_accuracy: 0.8074 - val_loss: 0.4719
Epoch 4/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 12s 62ms/step - accuracy: 0.8822 - loss: 0.2925 - val_accuracy: 0.8678 - val_loss: 0.3312
Epoch 5/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 12s 63ms/step - accuracy: 0.8979 - loss: 0.2600 - val_accuracy: 0.8254 - val_loss: 0.3984
Epoch 6/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 13s 64ms/step - accuracy: 0.9203 - loss: 0.2112 - val_accuracy: 0.8620 - val_loss: 0.3762
Epoch 7/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 13s 65ms/step - accuracy: 0.9386 - loss: 0.1688 - val_accuracy: 0.8564 - val_loss: 0.3631
Epoch 8/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 13s 65ms/step - accuracy: 0.9532 - loss: 0.1302 - val_accuracy: 0.8550 - val_loss: 0.3987
Epoch 9/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 13s 64ms/step - accuracy: 0.9576 - loss: 0.1174 - val_accuracy: 0.8330 - val_loss: 0.4384
Epoch 10/10
196/196 ━━━━━━━━━━━━━━━━━━━━ 13s 65ms/step - accuracy: 0.9646 - loss: 0.1035 - val_accuracy: 0.8208 - val_loss: 0.4885
782/782 ━━━━━━━━━━━━━━━━━━━━ 5s 6ms/step - accuracy: 0.8171 - loss: 0.4971  
Test accuracy: 0.8208

このコードでは、Kerasを使用してRNNを構築し、IMDBデータセットを用いて映画レビューの感情分析を行っています。モデルのトレーニング後、テストデータセットを使用してモデルの精度を評価しています。

結論

Kerasは、深層学習モデルの構築とトレーニングをシンプルかつ効率的に行うための優れたツールです。多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、さまざまなアーキテクチャを簡単に実装できます。Kerasを活用することで、複雑な機械学習問題を効果的に解決し、研究や開発における深層学習の導入を迅速に進めることができます。

ホーム
Keras：深層学習のためのシンプルで強力なPythonライブラリ
タイトルとURLをコピーしました